炼油生产调度研究现状与挑战

调度作为计划层和执行层的纽带,是智能型工厂的主要组成部分.对此,从炼油生产装置调度的角度,对炼油调度问题进行综述与分析.首先对炼油生产调度建模问题的研究现状进行阐述,介绍目前该领域建模方面考虑的因素;其次,对炼油生产调度的各种优化方法进行总结综述;最后,结合目前的信息技术和智能制造的发展趋势,分析炼油生产调度所面临的挑战和未来的研究方向.     

基于改进Apriori关联规则挖掘的冷水机组故障诊断

针对正常运行的冷水机组故障难以预测的问题,提出了关联规则挖掘的故障诊断方法,通过读取冷水机组历史数据库,挖掘出各个变量与故障之间的关系。由于Apriori算法可能因人工设置的支持度不合理导致关联规则挖掘结果不能满足需求,故提出了采用改进Apriori算法实现冷水机组故障关联规则挖掘。实验结果表明,改进后的算法在准确率、扫描数据库次数以及运行时间上有明显改善。     

磨矿仿真实验平台的设计和实现

采用Matlab软件及RSView32组态软件开发了磨矿生产过程虚拟对象计算机通用实验平台。系统采用半实物仿真结构,由模拟磨矿动态过程的虚拟对象计算机、实现回路控制和设备启停的可编程控制器、实现监控和过程优化的监控计算机组成。该平台提供了磨矿生产过程的控制实验环境,能对综合自动化系统中的控制与优化算法进行研究与改进,并为控制系统的早期开发、解决复杂生产过程的实时控制与优化提供了实验手段。     

选矿过程精矿品位自适应在线支持向量预测方法

本文提出了一种基于支持向量回归的选矿过程精矿品位自适应在线预测方法,通过使用新的混合核函数和参数在线更新机制提高了精矿品位的预测精度.在分析经典核函数特性后,构造了一种混合核函数以兼顾模型的学习能力与泛化能力,同时为了提高预测方法对选矿生产动态过程的适应性,模型依据新工况样本对现有样本集统计特性的影响,引入了模型参数自适应调整机制,并采用在线迭代学习机制更新模型,提高了模型的计算速度.使用某选矿厂生产实际数据进行实验分析,结果表明本文方法比现有方法在计算时间和预测精度上都有明显优势,适合应用于动态变化的选矿生产过程.     

复杂工业过程运行的混合智能优化控制方法

工业过程运行的优化控制的目标是将反应产品在加工过程中的质量、效率、消耗的工艺指标控制在目标值范围内. 由于复杂工业过程的工艺指标难于在线测量且与控制回路输出之间的动态特性具有强非线性、强耦合、难以用精确模型描述、随生产边界条件变化而变化的综合复杂性,因此, 难以采用已有优化控制方法, 运行控制只能采用人工设定的控制方式. 由于人工控制不能及时准确地随运行工况调整设定值, 难以将工艺指标控制在目标值范围内, 甚至造成故障工况.本文提出了根据运行工况实时调整控制回路设定值, 通过控制系统跟踪调整后的设定值, 将工艺指标控制在目标值范围内的过程优化运行的混合智能控制方法. 该方法由控制回路预设定模型、前馈补偿与反馈补偿器、工艺指标预报模型、故障工况诊断和容错控制器组成. 在某选矿厂22台竖炉组成的焙烧过程的应用案例, 证明了所提出方法的有效性.     

面向全流程优化的选矿过程仿真系统研发

选矿过程的物流是各环节有机联系的纽带,进行选矿物流仿真实验研究对实现优化操作与优化控制生产具有重要的意义。面向选矿过程生产全流程的优化,为了对选矿全流程的物流与生产过程进行仿真,研究选矿过程各个单元的操作与控制对生产全流程指标的影响,建立了基于物料平衡和金属守恒原理的选矿过程物流模拟数学模型总体框架;设计开发了选矿过程物流仿真系统,包括实验软硬件平台结构、功能及其对控制与优化系统的通讯接口。该系统主要侧重其物流的仿真,及其操作与控制对选矿全流程指标(即金属回收率、精矿品位和产量等)的影响,从而为全流程优化的研究提供依据。在所开发的平台上开展了仿真实验研究,实验结果验证了所研发实验平台的有效性。     

基于多动作并行异步深度确定性策略梯度的选矿运行指标决策方法

为了解决深度确定性策略梯度算法探索能力不足的问题,提出一种多动作并行异步深度确定性策略梯度(MPADDPG)算法,并用于选矿运行指标强化学习决策.该算法使用多个actor网络,进行不同的初始化和训练,不同程度地提升了探索能力,同时通过扩展具有确定性策略梯度结构的评论家体系,揭示了探索与利用之间的关系.该算法使用多个DDPG代替单一DDPG,可以减轻一个DDPG性能不佳的影响,提高学习稳定性;同时通过使用并行异步结构,提高数据利用效率,加快了网络收敛速度;最后, actor通过影响critic的更新而得到更好的策略梯度.通过选矿过程运行指标决策的实验结果验证了所提出算法的有效性.     

面向原油总氢物性预测的数据扩增预处理方法

针对原油总氢物性回归预测中核磁共振光谱数据不足的问题,结合深度学习相关理论,提出一种光谱数据扩增预处理方法.根据样本输入和标签的相关系数,在原始样本中加入随机噪声以生成虚拟样本;处理样本数据结构以利于卷积神经网络特征提取,并加入数据冗余改进该结构以进一步提高数据特征提取的完整性;搭建实现原油总氢物性回归预测的卷积神经网络(Regression forecasting convolutional neural network,RF-CNN).实验结果表明,对于总氢物性的回归预测,该数据扩增预处理方法不但可以解决原始数据训练中的过拟合现象,而且相比于传统的偏最小二乘(PLS)回归方法,更具稳定性和精确性.     

基于Regression GAN的原油总氢物性预测方法

针对生成对抗网络（Generative adversarial network,GAN）不适用于原油物性回归预测的问题,本文提出一种回归生成对抗网络（Regression GAN,RGAN）结构,该结构由生成模型G、判别模型D及回归模型R组成.通过判别模型D与生成模型G间的对抗学习,D提取原油物性核磁共振氢谱（1H NMR）谱图的潜在特征.首层潜在特征是样本空间的浅层表示利于解决回归问题,采用首层潜在特征建立回归模型R,提高了预测的精度及稳定性.通过增加条件变量和生成样本间的互信息约束,并采用回归模型R的MSE损失函数估计互信息下界,生成模型G产生更真实的样本.实验结果表明,RGAN有效地提高了原油总氢物性回归预测精度及稳定性,同时加快了生成模型的收敛速度,提高了谱图的生成质量.     

基于多层感知器神经网络的精矿品位预报北大核心CSCD

精矿品位是直接关系到选矿生产效率和产品质量的重要指标,精矿品位的在线检测对提高赤铁矿选矿生产流程的产品质量和生产效率、减少资源消耗具有重要意义。但是,由于选矿生产的强非线性和强耦合性,使得精矿品位往往难于在线连续测量。为了建立精矿品位与工艺指标之间的模型,以便于调整各工艺指标,从而实现全流程优化,本文采用多层感知器神经网络和系统辨识相结合的方法,运用Matlab系统辨识工具箱和神经网络工具箱,提出了由线性模型和非线性补偿模型组成的混合模型结构的精矿品位预报方法,建立了精矿品位预报模型。该方法提高了对于复杂工业过程中精矿品位指标的预报精度,通过现场数据和一系列对比实验验证了本方法的有效性和优点。